核心方法
生物信息学的核心在于将生物学问题转化为可计算的模型，并设计高效算法求解。一个根本问题是：面对海量的序列数据，如何设计算法来高效地搜索、比对、组装和识别模式？
这一板块聚焦于生物信息学中最基础、最通用的算法与模型：从序列的表示与索引，到序列比对的动态规划原理，再到基因组组装的图算法框架，以及隐藏马尔可夫模型等概率方法。
这一部分围绕以下关键问题展开：
- 序列表示与索引：如何将海量参考基因组组织成可高效查询的数据结构？k-mer、后缀数组、Burrows-Wheeler 变换的原理与权衡是什么？
- 序列比对：动态规划如何解决编辑距离和比对问题？全局比对、局部比对、启发式算法的适用场景有何不同？
- 基因组组装：de Bruijn 图与重叠图（Overlap-Layout-Consensus）的建模差异？如何处理重复序列和测序错误？
- 概率模型：隐藏马尔可夫模型（HMM）如何识别序列中的隐藏状态？位置权重矩阵（PWM）如何刻画序列模式？
学习路径建议
Section titled “学习路径建议”建议按以下顺序学习，形成从数据结构到算法、从确定性方法到概率模型的完整认知：
此外，算法设计范式 提供了穷举搜索、贪心、动态规划、分治、图算法和随机化六大范式的系统性概述，可作为本板块的算法思维框架。
起点
序列表示与索引
从 k-mer、suffix array、BWT 到 FM-index，理解海量参考上的搜索与定位。
进入子主题 核心
序列比对
从编辑距离、动态规划到 seed-and-extend，理解 mapping 的核心骨架。
进入子主题 图方法
组装与图算法
从 overlap 到 de Bruijn graph，再到重复、错误与图清理。
进入子主题 模型层
概率模型与模式识别
用 HMM、PWM/PSSM 等模型理解隐藏结构、motif 和 gene prediction。
进入子主题